CN116071716A - 车道线识别测试方法、设备、系统及存储介质 - Google Patents

车道线识别测试方法、设备、系统及存储介质 Download PDF

Info

Publication number
CN116071716A
CN116071716A CN202310080633.7A CN202310080633A CN116071716A CN 116071716 A CN116071716 A CN 116071716A CN 202310080633 A CN202310080633 A CN 202310080633A CN 116071716 A CN116071716 A CN 116071716A
Authority
CN
China
Prior art keywords
lane line
lane
tested
preset
library
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310080633.7A
Other languages
English (en)
Inventor
张玉新
王子煜
俞瑞林
王璐瑶
吕周杭
何昊晖
王成
李鹏飞
赵福民
全威
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Zhuoyu Technology Co ltd
Jilin University
Original Assignee
Shenzhen Zhuoyu Technology Co ltd
Jilin University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Zhuoyu Technology Co ltd, Jilin University filed Critical Shenzhen Zhuoyu Technology Co ltd
Priority to CN202310080633.7A priority Critical patent/CN116071716A/zh
Publication of CN116071716A publication Critical patent/CN116071716A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/776—Validation; Performance evaluation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明实施例提供一种车道线识别测试方法、设备、系统及存储介质，属于自动驾驶领域。该方法包括：每次从多个车道线图库中选择磨损等级不同的车道线图库作为待测车道线图库，直至每个车道线图库均被选择一次；从待测车道线图库中获取待测车道线数量的车道线图像，控制自移动的车道线绘制设备在预置车道上绘制每个车道线图像对应的待测车道线；控制被测车辆在预置车道上进行车道线识别测试，并获取被测车辆返回的待测车道线图库对应的车道线识别测试结果；控制自移动的车道线擦除设备对预置车道上的车道线进行擦除；返回执行每次从多个车道线图库中选择磨损等级不同的车道线图库作为待测车道线图库的步骤。该方法提高了车道线识别测试的准确性。

Description

车道线识别测试方法、设备、系统及存储介质
技术领域
本发明涉及自动驾驶领域，尤其涉及一种车道线识别测试方法、设备、系统及存储介质。
背景技术
自动驾驶是指无需驾驶员对车辆进行操作，而是通过车辆上的传感器自动采集环境信息，并根据环境信息进行自动行驶，而大部分自动行驶都离不开车道线识别，在自动驾驶车辆投入使用之前需要对自动驾驶车辆的车道线识别功能进行测试和性能评估，以确保自动驾驶车辆的安全性和可靠性。
目前，现有的车道线的识别测试方法主要是在封闭场地绘制标准无磨损的车道线进行识别测试。然而，真实环境中的车道线随着车辆的倾轧和风吹日晒等外界因素影响会出现磨损，仅对标准无磨损的车道线进行识别测试无法保证自动驾驶车辆的车道线识别的准确性。因此，如何提高车道线识别测试的全面性和准确性是目前亟待解决的问题。
发明内容
本发明实施例提供了一种车道线识别测试方法、设备、系统及存储介质，旨在提高车道线识别测试的全面性和准确性。
第一方面，本发明实施例提供一种车道线识别测试方法，包括：
每次从多个车道线图库中选择磨损等级不同的车道线图库作为待测车道线图库，直至每个所述车道线图库均被选择一次；
从所述待测车道线图库中获取待测车道线数量的车道线图像，控制自移动的车道线绘制设备在预置车道上绘制每个所述车道线图像对应的待测车道线；
控制被测车辆在所述预置车道上进行车道线识别测试，并获取所述被测车辆返回的所述待测车道线图库对应的车道线识别测试结果；
控制自移动的车道线擦除设备对所述预置车道上的车道线进行擦除；
返回执行每次从多个车道线图库中选择磨损等级不同的车道线图库作为待测车道线图库的步骤。
第二方面，本发明实施例还提供一种控制设备，所述控制设备包括通信模块、处理器、存储器、存储在所述存储器上并可被所述处理器执行的计算机程序以及用于实现所述通信模块、所述处理器和所述存储器之间的连接通信的数据总线，其中所述计算机程序被所述处理器执行时，实现如第一方面所述的车道线识别测试方法。
第三方面，本发明实施例还提供一种车道线绘制设备，包括：
设备本体；
通信模块，用于与如第二方面所述的控制设备进行通信；
动力系统，设于所述设备本体上，用于为车道线绘制设备提供移动动力；
车道线绘制装置，设于所述设备本体上，用于绘制待测车道线；
控制装置，用于实现以下步骤：
获取所述控制设备发送的绘制作业路线；
根据所述绘制作业路线，控制所述车道线绘制设备使用所述车道线绘制装置在预置车道上绘制多个待测车道线。
第四方面，本发明实施例还提供一种车道线擦除设备，包括：
设备本体；
通信模块，用于与如第二方面所述的控制设备进行通信；
动力系统，设于所述设备本体上，用于为车道线擦除设备提供移动动力；
车道线擦除装置，设于所述设备本体上，用于擦除车道线；
控制装置，用于实现以下步骤：
获取所述控制设备发送的擦除作业路线；
根据所述擦除作业路线，控制所述车道线擦除设备使用所述车道线擦除装置对预置车道上的车道线进行擦除。
第五方面，本发明实施例还提供一种车道线识别测试系统，包括如第二方面所述的控制设备、被测车辆、如第三方面所述的车道线绘制设备和如第四方面所述的车道线擦除设备，所述控制设备分别与所述车道线绘制设备、所述车道线擦除设备和所述被测车辆通信连接，所述被测车辆用于在绘制有待测车道线的预置车道上行驶，以进行车道线识别测试。
第六方面，本发明实施例还提供一种存储介质，用于计算机可读存储，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如第一方面所述的车道线识别测试方法。
本发明实施例提供一种车道线识别测试方法、设备、系统及存储介质，本发明实施例通过每次从多个车道线图库中选择磨损等级不同的车道线图库作为待测车道线图库，并从待测车道线图库中获取多个车道线图像，并控制自移动的车道线绘制设备在预置车道上绘制每个车道线图像对应的待测车道线，从而生成测试场景，然后控制被测车辆在该预置车道上进行车道线识别测试，并获取被测车辆返回的待测车道线图库对应的车道线识别测试结果，之后再控制自移动的车道线擦除设备对预置车道上的车道线进行擦除，便于测试下一个磨损等级的车道线图库，从而能够实现对不同磨损等级的车道线进行识别测试，不需要人工绘制与擦除车道线，极大地提高了车道线识别测试的全面性、便利性和准确性。
附图说明
为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是实施本发明实施例提供的车道线识别测试方法的一场景示意图；
图2是本发明实施例提供的一种车道线识别测试方法的流程示意图；
图3是本发明实施例中的多个绘制作业点的分布示意图；
图4是本发明实施例中的规划绘制作业的一场景示意图；
图5是本发明实施例提供的另一种车道线识别测试方法的流程示意图；
图6是本发明实施例提供的另一种车道线识别测试方法的流程示意图；
图7是本发明实施例提供的一种控制设备的结构示意框图；
图8是本发明实施例提供的一种车道线绘制设备的结构示意框图；
图9是本发明实施例提供的一种车道线擦除设备的结构示意框图；
图10是本发明实施例提供的一种车道线识别测试系统的结构示意框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。
应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
随着科学技术的发展以及人工智能技术的应用，自动驾驶技术得到了快速的发展和广泛的应用。基于车辆的驾驶自动化水平，现有的SAE J1016标准将驾驶自动化划分为6个等级，也即是L0-L5等级，分别为无驾驶自动化(No Automation，L0)，驾驶辅助(DriverAssistance，L1)，部分驾驶自动化(Partial Automation，L2)，有条件驾驶自动化(Conditional Automation，L3)，高度驾驶自动化(High Automation，L4)和完全驾驶自动化(Full Automation，L5)。随着驾驶自动化等级的不断提高，在驾驶活动中，人的参与程度越来越低。可以预见的是，未来将会有更多自动驾驶车辆行驶在道路上，从而出现自动驾驶车辆和人工驾驶车辆并行在道路上的局面。
在L3、L4和L5等级下的自动行驶一般都离不开车道线识别，在自动驾驶车辆投入使用之前需要对自动驾驶车辆的车道线识别功能进行测试和性能评估，以确保自动驾驶车辆的安全性和可靠性。目前，现有的车道线的识别测试方法主要是在封闭场地绘制标准无磨损的车道线进行识别测试。然而，真实环境中的车道线随着车辆的倾轧和风吹日晒等外界因素影响会出现磨损，仅对标准无磨损的车道线进行识别测试无法保证自动驾驶车辆的车道线识别的准确性。
为解决上述问题，本发明实施例提供了一种车道线识别测试方法、设备、系统及存储介质，通过每次从多个车道线图库中选择磨损等级不同的车道线图库作为待测车道线图库，并从待测车道线图库中获取多个车道线图像，并控制自移动的车道线绘制设备在预置车道上绘制每个车道线图像对应的待测车道线，从而生成测试场景，然后控制被测车辆在该预置车道上进行车道线识别测试，并获取被测车辆返回的待测车道线图库对应的车道线识别测试结果，之后再控制自移动的车道线擦除设备对预置车道上的车道线进行擦除，便于测试下一个磨损等级的车道线图库，从而能够实现对不同磨损等级的车道线进行识别测试，不需要人工绘制与擦除车道线，极大地提高了车道线识别测试的灵活性、便利性和准确性。
下面结合附图，对本发明的一些实施例作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
请参阅图1，图1是实施本发明实施例提供的车道线识别测试方法的一场景示意图，如图1所示，该场景包括控制设备100、被测车辆200、车道线绘制设备300和车道线擦除设备400，控制设备100分别与被测车辆200、车道线绘制设备300和车道线擦除设备400通信连接。其中，被测车辆200安装有自动驾驶系统和环境感知装置(图1中未示出)，环境感知装置用于采集车道线图像，自动驾驶系统用于根据采集到的车道线图像进行车道线识别，并根据车道线识别结果控制被测车辆进行自动驾驶，该环境感知装置可以包括相机或雷达中的至少一者。
在一实施例中，车道线绘制设备300包括第一设备本体310、第一动力系统320、车道线绘制装置、第一通信模块和第一控制系统(图1中未示出)。其中，第一动力系统320设于第一设备本体310上，用于为车道线绘制设备300提供移动动力，动力使得车道线绘制设备300能够实现一个或多个自由度的运动；车道线绘制装置设于第一设备本体310上，用于绘制车道线；第一通信模块设于第一设备本体310内，用于与外部设备进行通信，例如，车道线绘制设备300通过第一通信模块与控制设备100进行通信。
其中，第一控制系统可以包括第一控制器和第一传感系统。第一传感系统用于测量第一设备本体310的姿态信息，即第一设备本体310在空间的位置信息和状态信息，例如，三维位置、三维角度、三维速度、三维加速度和三维角速度等。第一传感系统例如可以包括陀螺仪、超声传感器、电子罗盘、惯性测量单元(Inertial Measurement Unit，IMU)、视觉传感器、全球导航卫星系统和气压计等传感器中的至少一种。例如，全球导航卫星系统可以是全球定位系统(Global Positioning System，GPS)。第一控制器用于控制第一设备本体310的移动，例如，可以根据第一传感系统测量的姿态信息控制第一设备本体310的移动。应理解，第一控制器可以按照预先编好的程序指令对第一设备本体310进行控制。
在一实施例中，车道线绘制装置包括第一料箱330、第一导管340、绘制组件350和第一动力泵(图1中未示出)，第一料箱330通过第一导管340与绘制组件350连接。其中，第一料箱330用于盛放可擦除的车道线漆，第一动力泵用于将第一料箱330中的车道线漆压入第一导管340，由第一导管340输送绘制组件350，以使绘制组件350能够使用第一导管340输送的车道线漆绘制车道线，绘制组件350包括喷头和运动机构，运动机构与喷头连接，用于驱动喷头运动，以绘制成车道线。
在一实施例中，车道线擦除设备400包括第二设备本体410、第二动力系统420、车道线擦除装置、第二通信模块和第二控制系统(图1中未示出)。其中，第二动力系统420设于第二设备本体410上，用于为车道线擦除设备400提供移动动力，动力使得车道线擦除设备400能够实现一个或多个自由度的运动；车道线擦除装置设于第二设备本体410上，用于擦除车道线；第二通信模块设于第二设备本体410内，用于与外部设备进行通信，例如，车道线擦除设备400通过第二通信模块与控制设备100进行通信。
其中，第二控制系统可以包括第二控制器和第二传感系统。第二传感系统用于测量第二设备本体410的姿态信息，即第二设备本体410在空间的位置信息和状态信息，例如，三维位置、三维角度、三维速度、三维加速度和三维角速度等。第一传感系统例如可以包括陀螺仪、超声传感器、电子罗盘、惯性测量单元(Inertial Measurement Unit，IMU)、视觉传感器、全球导航卫星系统和气压计等传感器中的至少一种。例如，全球导航卫星系统可以是全球定位系统(Global Positioning System，GPS)。第二控制器用于控制第二设备本体410的移动，例如，可以根据第二传感系统测量的姿态信息控制第二设备本体410的移动。应理解，第二控制器可以按照预先编好的程序指令对第二设备本体410进行控制。
在一实施例中，车道线擦除装置包括第二料箱430、第二导管440、擦除组件450和第二动力泵(图1中未示出)，第二料箱430通过第二导管440与擦除组件450连接。其中，第二料箱430用于盛放除漆剂，第二动力泵用于将第二料箱430中的除漆剂压入第二导管440，由第二导管440输送给擦除组件450，以使擦除组件450能够使用第二导管440输送的除漆剂对车道线进行擦除，擦除组件450包括喷头、擦除头和转动机构，该喷头与第二导管440的出口连接，用于将第二导管440输送的除漆剂喷在车道线上，转动机构与擦除头连接，以驱动擦除头转动，从而对喷有除漆剂的车道线进行擦除。
在一实施例中，控制设备100用于每次从多个车道线图库中选择磨损等级不同的车道线图库作为待测车道线图库；从待测车道线图库中获取待测车道线数量的车道线图像，控制自移动的车道线绘制设备300在预置车道上绘制每个车道线图像对应的待测车道线；控制被测车辆200在预置车道上进行车道线识别测试，并获取被测车辆200返回的待测车道线图库对应的车道线识别测试结果；控制自移动的车道线擦除设备400对预置车道上的车道线进行擦除；返回执行每次从多个车道线图库中选择磨损等级不同的车道线图库作为待测车道线图库的步骤，直至每个车道线图库均被选择一次。
其中，该控制设备100可以包括但不限于：智能电话/手机、平板电脑、个人数字助理(PDA)和台式计算机等，车道线绘制设备300可以包括安装有车道线绘制装置的无人机和安装有车道线绘制装置的无人车等，车道线擦除设备400可以包括安装有车道线擦除装置的无人机和车道线擦除装置的的无人车等。
以下，将结合图1中的场景对本发明的实施例提供的车道线识别测试方法进行详细介绍。需知，图1中的场景仅用于解释本发明实施例提供的车道线识别测试方法，但并不构成对本发明实施例提供的车道线识别测试方法应用场景的限定。
请参阅图2，图2是本发明实施例提供的一种车道线识别测试方法的流程示意图。该车道线识别测试方法可以应用于控制设备，用于提高车道线识别测试的灵活性、便利性和准确性。
如图2所示，该车道线识别测试方法包括步骤S101至步骤S104。
步骤S101、每次从多个车道线图库中选择磨损等级不同的车道线图库作为待测车道线图库，直至每个车道线图库均被选择一次。
本发明实施例中，不同的车道线图库对应的磨损等级不同，车道线图库中的各车道线图像包含的车道线的磨损等级相同，多个车道线图库可以在进行车道线识别测试之前进行创建。其中，车道线的磨损等级越高，则车道线的磨损程度越高，车道线的磨损等级越低，则车道线的磨损程度越低。
在一实施例中，每次从多个车道线图库中选择磨损等级不同的车道线图库作为待测车道线图库的方式可以为：按照磨损等级从高到低的顺序，每次从多个车道线图库中选择一个车道线图库作为待测车道线图库。或者也可以按照磨损等级从低到高的顺序，每次从多个车道线图库中选择一个车道线图库作为待测车道线图库。或者也可以每次从多个车道线图库中随机地选择磨损等级不同的车道线图库作为待测车道线图库。按照磨损等级从高到低或者从低到高的顺序，可以快速地从多个车道线图库中选择磨损等级不同的车道线图库作为待测车道线图库。
例如，设车道线的磨损等级一共分为5级，分别为磨损等级一、磨损等级二、磨损等级三、磨损等级四和磨损等级五，且车道线图库A中的车道线图像包含的车道线的磨损等级均为磨损等级一，车道线图库B中的车道线图像包含的车道线的磨损等级均为磨损等级二，车道线图库C中的车道线图像包含的车道线的磨损等级均为磨损等级三，车道线图库D中的车道线图像包含的车道线的磨损等级均为磨损等级四，车道线图库A中的车道线图像包含的车道线的磨损等级均为磨损等级五，则可以按照车道线图库A→车道线图库B→车道线图库C→车道线图库D→车道线图库E的顺序，确定选择这5个车道线图库中的车道线图库作为待测车道线图库，也可以按照车道线图库E→车道线图库D→车道线图库C→车道线图库B→车道线图库A的顺序，确定选择这5个车道线图库中的车道线图库作为待测车道线图库。
步骤S102、从待测车道线图库中获取待测车道线数量的车道线图像，控制自移动的车道线绘制设备在预置车道上绘制每个车道线图像对应的待测车道线。
本发明实施例中，待测车道线数量为需要进行车道线识别测试所要绘制的待测车道线的数量，一个待测车道线对应一个车道线图像。其中，不同磨损等级对应的待测车道线数量可以相同，也可以不同。例如，每个磨损等级对应的待测车道线数量均为预设数量，或者也可以按照磨损等级设置待测车道线数量，待测车道线数量与磨损等级呈正相关关系，也即磨损等级越高，则待测车道线数量越大，磨损等级越低，则待测车道线数量越小。
在一实施例中，从待测车道线图库中获取待测车道线数量的车道线图像的方式可以为：根据该待测车道线图库对应的磨损等级，查询预存的磨损等级与待测车道线数量之间的映射关系，得到该待测车道线图库对应的待测车道线数量，并将该待测车道线数量作为待测车道线数量；从从待测车道线图库中获取待测车道线数量的车道线图像。其中，预存的磨损等级与待测车道线数量之间的映射关系可以基于经验值进行设置，本发明实施例对此不做具体限定。
在一实施例中，控制自移动的车道线绘制设备在预置车道上绘制每个车道线图像对应的待测车道线的方式可以为：获取预置车道的第一位置信息和车道线绘制设备的第二位置信息；根据第一位置信息、第二位置信息和待测车道线数量的车道线图像，规划车道线绘制设备在预置车道上的绘制作业路线，绘制作业路线包括每个车道线图像各自对应的绘制作业点；向车道线绘制设备发送绘制作业路线，以使车道线绘制设备按照绘制作业路线在预置车道上绘制多个待测车道线。其中，预置车道的第一位置信息可以通过地图打点确定，也可以是提前使用定位设备进行确定的，车道线绘制设备使用定位模块确定车道线绘制设备的第二位置信息，并将第二位置信息发送给控制设备。通过规划车道线绘制设备在预置车道上的绘制作业路线，使得车道线绘制设备能够按照该绘制作业路线快速地在预置车道上绘制待测车道线。
在一实施例中，根据第一位置信息、第二位置信息和待测车道线数量的车道线图像，规划车道线绘制设备在预置车道上的绘制作业路线的方式可以为：根据第一位置信息，确定预置车道上的待测车道线数量的绘制作业点以及每个绘制作业点的位置信息；根据每个绘制作业点的位置信息和第二位置信息，规划车道线绘制设备在预置车道上的移动路线；给移动路线上的每个绘制作业点分配一个车道线图像，得到绘制作业路线。通过给每个绘制作业点分配一个车道线图像，得到绘制作业路线，使得车道线绘制设备在按照绘制作业路线进行车道线绘制作业时，可以基于给每个绘制作业点分配的车道线图像准确地绘制待测车道线。
在一实施例中，第一位置信息包括预置车道的起点位置和终点位置，根据第一位置信息，确定预置车道上的待测车道线数量的绘制作业点以及每个绘制作业点的位置信息的方式可以为：获取预置车道的预设总路程，并用预设总路程除以待测车道线数量，得到相邻待测车道线之间的目标距离；根据预置车道的起点位置和该目标距离，在预置车道上确定待测车道线数量的绘制作业点；确定每个绘制作业点与起点位置之间的距离，并根据每个绘制作业点与起点位置之间的距离以及预置车道的起点位置，确定每个绘制作业点的位置信息。
例如，待测车道线数量为4，也即绘制作业点为4个，如图3所示，预置车道10上的这4个绘制作业点包括绘制作业点12、绘制作业点13、绘制作业点14和绘制作业点15，且预置车道10的起点位置11与绘制作业点12之间的距离、绘制作业点12与绘制作业点13之间的距离、绘制作业点13与绘制作业点14之间的距离、绘制作业点14与绘制作业点15之间的距离以及绘制作业点15与预置车道10的终点位置16之间的距离均大致为目标距离。
在一实施例中，根据第一位置信息、第二位置信息和待测车道线数量的车道线图像，规划车道线绘制设备在预置车道上的绘制作业路线的方式可以包括，在车道线绘制设备为多个的情况下，根据第一位置信息，确定预置车道上的待测车道线数量的绘制作业点以及每个绘制作业点的位置信息；根据每个绘制作业点的位置信息和多个第二位置信息，规划多条移动路线，一个车道线绘制设备对应一条移动路线；给每条移动路线上的每个绘制作业点分配一个车道线图像，得到多条绘制作业路线，一个车道线绘制设备对应一条绘制作业路线。通过规划多个车道线绘制设备的绘制作业路线，使得多个车道线绘制设备可以按照对应的绘制作业路线协同的进行车道线绘制作业，极大地提高了车道线绘制的效率，进而提高了车道线识别测试的效率。
在一实施例中，根据每个绘制作业点的位置信息和多个第二位置信息，规划多条移动路线的方式可以为：用待测车道线数量除以车道线绘制设备的数量，得到绘制作业点的平均数量；根据每个绘制作业点的位置信息和每个车道线绘制设备的第二位置信息，计算每个绘制作业点与每个车道线绘制设备之间的距离；根据每个绘制作业点与每个车道线绘制设备之间的距离，给每个车道线绘制设备分配该平均数量的绘制作业点；根据分配给车道线绘制设备的绘制作业点的位置信息和车道线绘制设备的第二位置信息，规划车道线绘制设备的移动路线。
例如，如图4所示，预置车道10包括绘制作业点12、绘制作业点13、绘制作业点14和绘制作业点15，车道线绘制设备包括车道线绘制设备21和车道线绘制设备22，则可以给车道线绘制设备21和车道线绘制设备22分配2个绘制作业点。车道线绘制设备21位于预置车道10的起始位置11附近，车道线绘制设备22位于预置车道10的终点位置12附近，通过计算绘制作业点12、绘制作业点13、绘制作业点14和绘制作业点15与车道线绘制设备21的距离以及绘制作业点12、绘制作业点13、绘制作业点14和绘制作业点15与车道线绘制设备22的距离可知，绘制作业点12和绘制作业点13距离车道线绘制设备21较近，且绘制作业点14和绘制作业点15距离车道线绘制设备22较近，因此将制作业点12和绘制作业点13分配给车道线绘制设备21，将绘制作业点14和绘制作业点15分配给车道线绘制设备22，这样按照制作业点12和绘制作业点13的位置信息以及车道线绘制设备21的位置信息，可以规划得到车道线绘制设备21的移动路线，而按照制作业点14和绘制作业点15的位置信息以及车道线绘制设备22的位置信息，可以规划得到车道线绘制设备22的移动路线。
步骤S103、控制被测车辆在预置车道上进行车道线识别测试，并获取被测车辆返回的待测车道线图库对应的车道线识别测试结果。
本发明实施例中，在车道线绘制设备绘制完成预置车道上的多个待测车道线后，车道线绘制设备可以给控制设备发送用于表示车道线绘制完成的通知信息，然后控制设备在接收到该通知信息时，向被测车辆发送开始测试指令，或者在车道线绘制设备绘制完成预置车道上的多个待测车道线后，车道线绘制设备直接向被测车辆发送开始测试指令。被测车辆在接收到开始测试指令后，被测车辆沿着预置车道行驶，在行驶过程中，通过环境感知模块对预置车道上的待测车道线进行识别，然后按照车道线识别结果自动行驶，从而得到待测车道线的车道线识别测试结果。
步骤S104、控制自移动的车道线擦除设备对预置车道上的车道线进行擦除。
本发明实施例中，在被测车辆完成选择的磨损等级对应的待测车道线图库的车道线识别测试后，被测车辆向控制设备发送车道线擦除通知，控制设备控制自移动的车道线擦除设备对预置车道上的车道线进行擦除，在车道线擦除设备擦除完预置车道上的车道线后，向控制设备发送车道线擦除完成通知，然后控制设备执行步骤S101，即每次从多个车道线图库中选择磨损等级不同的车道线图库作为待测车道线图库，直至每个车道线图库均被选择一次。
在一实施例中，控制自移动的车道线擦除设备对预置车道上的车道线进行擦除的方式可以为：获取车道线擦除设备的第三位置信息和预置车道上的每个待擦除车道线的第四位置信息；根据第三位置信息和每个第四位置信息，规划车道线擦除设备的擦除作业路线；向车道线擦除设备发送擦除作业路线，以使车道线擦除设备根据擦除作业路线，对预置车道上的车道线进行擦除。通过规划车道线的擦除作业路线，使得车道线擦除设备能够按照该擦除作业路线快速地完成车道线擦除作业，提高车道线擦除的效率。
在一实施例中，在车道线擦除设备有多个的情况下，根据每个车道线擦除设备的第三位置信息和预置车道上的每个待擦除车道线的第四位置信息，规划每个车道线擦除设备各自对应的擦除作业路线，并向每个车道线擦除设备发送对应的擦除作业路线，以使各车道线擦除设备按照对应的擦除作业路线，对预置车道上的车道线进行擦除。通过规划多个车道线擦除设备的擦除作业路线，使得多个车道线擦除设备可以按照对应的擦除作业路线协同的进行车道线擦除作业，极大地提高了车道线擦除的效率，进而提高了车道线识别测试的效率。
在一实施例中，如图5所示，步骤S101之前，还包括：
步骤S105、获取初始车道线图像库，并确定初始车道线图像库中的每个车道线图像所包含车道线的磨损等级。
本发明实施例中，初始车道线图像库包括不同磨损等级的车道线所对应的车道线图像，不同磨损等级的车道线所对应的车道线图像可以由无人机、数据采集车辆和/或路边监控设备采集得到，本发明实施例对此不做具体限定。
在一实施例中，确定初始车道线图像库中的每个车道线图像所包含车道线的磨损等级的方式可以包括：确定初始车道线图像库中的每个车道线图像所包含车道线的连续度和/或完整度；根据连续度和/或完整度，确定初始车道线图像库中的每个车道线图像所包含车道线的磨损等级。其中，车道线的连续度和/或完整度越高，则车道线的磨损等级越低，而车道线的连续度和/或完整度越低，则车道线的磨损等级越高。通过车道线的连续度和/或完整度可以准确地确定车道线的磨损等级。
在一实施例中，确定车道线图像所包含车道线的连续度和/或完整度的方式可以为：运行预设的连续度确定模型对车道线图像进行处理，得到车道线图像所包含车道线的连续度，和/或，运行预设的完整度确定模型对车道线图像进行处理，得到车道线图像所包含车道线的完整度。其中，连续度确定模型是根据多个标注有连续度的训练样本图像和多个标注有连续度的测试样本图像对神经网络模型进行训练得到的。
在一实施例中，根据连续度和/或完整度，确定车道线图像所包含车道线的磨损等级的方式可以为：确定车道线图像所包含车道线的连续度所处的预设连续度范围，并将确定的预设连续度范围所对应的预设磨损等级确定为车道线图像所包含车道线的磨损等级。或者，确定车道线图像所包含车道线的完整度所处的预设完整度范围，并将确定的预设完整度范围所对应的预设磨损等级确定为车道线图像所包含车道线的磨损等级。或者，确定车道线图像所包含车道线的连续度所处的预设连续度范围，并确定车道线图像所包含车道线的完整度所处的预设完整度范围，将与该预设连续度范围和预设完整度范围对应的预设磨损等级确定为车道线图像所包含车道线的磨损等级。
在一实施例中，确定初始车道线图像库中的每个车道线图像所包含车道线的磨损等级的方式可以为：运行预设的磨损等级确定模型，对初始车道线图像库中的每个车道线图像进行处理，得到初始车道线图像库中的每个车道线图像所包含车道线的磨损等级。其中，磨损等级确定模型是根据多个标注有磨损等级的训练样本图像和多个标注有磨损等级的测试样本图像对神经网络模型进行训练得到的。通过磨损等级确定模型可以准确地确定车道线图像所包含车道线的磨损等级，该训练样本图像为作为训练样本的车道线图像，该测试样本图像为作为测试样本的车道线图像。
在一实施例中，根据多个标注有磨损等级的训练样本图像和多个标注有磨损等级的测试样本图像对神经网络模型进行训练可以包括：从多个训练样本图像选择一个训练样本图像输入神经网络模型，得到该训练样本图像的预测的磨损等级；根据该训练样本图像标注的磨损等级以及预测的磨损等级，确定神经网络模型的模型损失值，在模型损失值大于或等于预设损失值的情况下，更新神经网络模型的参数，并返回执行从多个训练样本图像选择一个训练样本图像输入神经网络模型，得到该训练样本图像的预测的磨损等级的步骤，直至模型损失值小于预设损失值，并停止训练，得到初始的磨损等级确定模型；使用多个标注有磨损等级的测试样本图像对初始的磨损等级确定模型进行验证，在初始的磨损等级确定模型通过验证时，将初始的磨损等级确定模型作为最终的磨损等级确定模型，反之在初始的磨损等级确定模型未通过验证时，重新选取多个标注有磨损等级的训练样本图像对神经网络模型进行训练。
在一实施例中，使用多个标注有磨损等级的测试样本图像对初始的磨损等级确定模型进行验证的方式可以为：从多个测试样本图像选择一个训练样本图像输入初始的磨损等级确定模型，得到该测试样本图像的预测的磨损等级；在预测的磨损等级与该测试样本图像的标注的磨损等级相同的情况下，确定该测试样本图像通过测试，在预测的磨损等级与该测试样本图像的标注的磨损等级不同的情况下，确定该测试样本图像未通过测试，返回执行从多个测试样本图像选择一个训练样本图像输入初始的磨损等级确定模型，得到该测试样本图像的预测的磨损等级，直至多个测试样本图像均被选择一次；确定通过测试的测试样本图像的数量占测试样本图像的总数量的比值，在该比值大于或等于预设比值的情况下，确定初始的磨损等级确定模型通过验证，在该比值小于预设比值的情况下，确定初始的磨损等级确定模型未通过验证。其中，预设比值可以基于实际情况进行设置，本发明实施例对此不做具体限定。
在一实施例中，确定初始车道线图像库中的每个车道线图像所包含车道线的磨损等级的方式也可以为：确定初始车道线图像库中的每个车道线图像的信噪比和峰值信噪比中的至少一项；根据预存的信噪比和峰值信噪比中的至少一项与磨损等级之间的映射关系，查询初始车道线图像库中的每个车道线图像的信噪比和峰值信噪比中的至少一项各自对应的磨损等级；对于每个车道线图像，将查询得到的该车道线图像的信噪比和峰值信噪比中的至少一项对应的磨损等级确定为该车道线图像所包含车道线的磨损等级。
其中，预存的信噪比和峰值信噪比中的至少一项与磨损等级之间的映射关系是提前建立的。例如，获取目标车道线图像，目标车道线图像所包含车道线无磨损；每次给目标车道线图像增加噪声，得到待测车道线图像，并将待测车道线图像输入车道线检测网络进行检测，直至车道线检测网络输出的检测结果为无法识别车道线；在车道线检测网络输出的检测结果为无法识别车道线时，将当前的待测车道线图像的信噪比作为最大信噪比和/或将当前的待测车道线图像的峰值信噪比作为最大峰值信噪比；根据目标车道线图像的信噪比和该最大信噪比，建立信噪比与磨损等级之间的映射关系，和/或，根据目标车道线图像的峰值信噪比和该最大峰值信噪比，建立峰值信噪比与磨损等级之间的映射关系。
在一实施例中，确定初始车道线图像库中的每个车道线图像所包含车道线的磨损等级的方式也可以为：运行预设的车道线检测网络对初始车道线图像库中的每个车道线图像进行处理，得到每个车道线图像的车道线识别结果；根据每个车道线图像的车道线识别结果，确定车道线检测网络识别每个车道线图像所包含车道线的F1分数；根据每个车道线图像所包含车道线的F1分数(F1Score)，确定每个车道线图像所包含车道线的磨损等级。其中，预设的车道线检测网络可以基于实际情况进行设置，本发明实施例对此不做具体限定。例如，预设的车道线检测网络可以为用于车道检测的跨层细化网络(Cross LayerRefinement Network)或超快速车道线检测网络(Ultra Fast Structure-aware DeepLane Detection)。通过车道线检测网络识别车道线图像所包含车道线的F1分数，可以准确地确定车道线图像所包含车道线的磨损等级。
在一实施例例中，车道线图像的车道线识别结果包括车道线图像中的车道线区域和非车道线区域，根据车道线图像的车道线识别结果，确定车道线检测网络识别车道线图像所包含车道线的F1分数的方式可以为：将车道线图像中的车道线区域和非车道线区域分别与标准车道线图像进行比较，标准车道线图像所包含的车道线无磨损；根据比较结果，在车道线图像中确定第一区域、第二区域和第三区域，第一区域是指在标准车道线图像中为车道线区域，且在车道线图像中识别为车道线区域的图像区域，第二区域是指在标准车道线图像中为非车道线区域，且在车道线图像中识别为车道线区域的图像区域，第三区域是指在标准车道线图像中为车道线区域，且在车道线图像中识别为非车道线区域的图像区域；确定第一区域的面积、第二区域的面积和第三区域的面积；对第一区域的面积和第二区域的面积进行求和，得到第一求和结果，并用第一区域的面积除以第一求和结果，得到精确率；对第一区域的面积和第三区域的面积进行求和，得到第二求和结果，并用第一区域的面积除以第二求和结果，得到召回率；根据该精确率和召回率，确定车道线检测网络识别车道线图像所包含车道线的F1分数。
在一实施例中，根据车道线图像所包含车道线的F1分数，确定车道线图像所包含车道线的磨损等级的方式可以为：确定车道线图像所包含车道线的F1分数所处的预设F1分数范围；查询预存的F1分数范围与磨损等级之间的映射关系，得到该预设F1分数范围对应的磨损等级；将该预设F1分数范围对应的磨损等级确定为车道线图像所包含车道线的磨损等级。其中，F1分数范围与磨损等级之间的映射关系可以经验值进行设置，本发明实施例对此不做具体限定。
步骤S106、将初始车道线图像库中磨损等级相同的车道线所对应的车道线图像划分为一个车道线图库，得到多个车道线图库。
本发明实施例中，通过对无人机、数据采集车辆和/或路边监控设备等采集不同磨损等级的车道线所对应的车道线图像进行汇集，可以得到初始车道线图像库，然后通过确定初始车道线图像库中的每个车道线图像所包含车道线的磨损等级，并将初始车道线图像库中磨损等级相同的车道线所对应的车道线图像划分为一个车道线图库，可以得到多个车道线图库，便于后续对不同磨损程度的车道线进行识别测试。
在一实施例中，如图6所示，步骤S103之后还包括：
步骤S107，根据车道线识别测试结果，确定通过车道线识别测试的待测车道线的目标数量。
本发明实施例中，车道线识别测试结果包括被测车辆对每个待测车道线的识别测试结果，该识别测试结果包括待测车道线通过测试或者待测车道线未通过测试，通过车道线识别测试结果中被测车辆对每个待测车道线的识别测试结果，可以统计得到待测车道线数量的待测车道线中通过车道线识别测试的待测车道线的数量，记为目标数量。
步骤S108、根据待测车道线数量和目标数量，确定被测车辆识别待测车道线图库对应的磨损等级的车道线的评价分数。
本发明实施例中，被测车辆识别待测车道线图库对应的磨损等级的车道线的评价分数用于描述被测车辆对待测车道线图库对应的磨损等级的车道线的识别准确性，该评价分数越高，则被测车辆对待测车道线图库对应的磨损等级的车道线的识别准确性越高，该评价分数越低，则被测车辆对待测车道线图库对应的磨损等级的车道线的识别准确性越低。
在一实施例中，根据待测车道线数量和目标数量，确定被测车辆识别待测车道线图库对应的磨损等级的车道线的评价分数的方式可以为：用目标数量除以待测车道线数量，得到通过车道线识别测试的待测车道线的目标比例；根据目标比例，确定被测车辆识别待测车道线图库对应的磨损等级的车道线的评价分数。例如，将目标比例与100分的乘积确定为被测车辆识别待测车道线图库对应的磨损等级的车道线的评价分数。基于通过车道线识别测试的待测车道线的目标比例可以准确地确定被测车辆识别待测车道线图库对应的磨损等级的车道线的评价分数。
在一实施例中，根据目标比例，确定被测车辆识别待测车道线图库对应的磨损等级的车道线的评价分数的方式可以为：对目标比例和第一预设系数进行乘法运算，得到第一运算结果；对待测车道线图库对应的磨损等级和第二预设系数进行乘法运算，得到第二运算结果；对第一运算结果和第二运算结果进行求和，得到被测车辆识别待测车道线图库对应的磨损等级的车道线的评价分数。其中，第一预设系数和第二预设系数可以基于实际情况进行设置，本发明实施例对此不做具体限定。例如，第一预设系数为60或者50，第二预设系数为5。通过综合考虑待测车道线图库对应的磨损等级和通过车道线识别测试的待测车道线的目标比例，可以进一步准确地确定被测车辆识别待测车道线图库对应的磨损等级的车道线的评价分数。
在一实施例中，根据目标比例，确定被测车辆识别待测车道线图库对应的磨损等级的车道线的评价分数的方式也可以为：获取每条待测车道线各自对应的车辆表现得分，该车辆表现得分是用户对被测车辆识别待测车道线后的表现进行打分得到的；根据目标比例和车辆表现得分，确定被测车辆识别待测车道线图库对应的磨损等级的车道线的评价分数。通过综合考虑用户对被测车辆识别待测车道线后的表现进行打分得到的车辆表现得分和该目标比例，可以进一步准确地确定被测车辆识别待测车道线图库对应的磨损等级的车道线的评价分数。
可以理解的是，被测车辆识别待测车道线后的表现越好，则该待测车道线对应的车辆表现得分越高，被测车辆识别待测车道线后的表现越差，则该待测车道线对应的车辆表现得分越低。例如，在测试场景为自动变道测试功能的车道线识别测试的情况下，被测车辆在对待测车道线进行识别后，根据车道线识别结果成功变道，这就表示被测车辆识别待测车道线后的表现较好，反之被测车辆在对待测车道线进行识别后，根据车道线识别结果未成功变道，这就表示被测车辆识别待测车道线后的表现较差。
在一实施例中，根据目标比例和车辆表现得分，确定被测车辆识别待测车道线图库对应的磨损等级的车道线的评价分数的方式可以为：计算每条待测车道线各自对应的车辆表现得分的平均值，并将该平均值作为目标车辆表现得分；根据目标车辆表现得分和目标比例，确定被测车辆识别待测车道线图库对应的磨损等级的车道线的评价分数。通过每条待测车道线各自对应的车辆表现得分的平均值以及通过车道线识别测试的待测车道线的比例，能够进一步准确地确定被测车辆识别待测车道线图库对应的磨损等级的车道线的评价分数。
在一实施例中，根据目标车辆表现得分和目标比例，确定被测车辆识别待测车道线图库对应的磨损等级的车道线的评价分数的方式可以为：对目标比例和第一预设系数进行乘法运算，得到第一运算结果；对待测车道线图库对应的磨损等级和第二预设系数进行乘法运算，得到第二运算结果；对目标车辆表现得分和第三预设系数进行乘法运算，得到第三运算结果；对第一运算结果、第二运算结果和第三运算结果进行求和，得到被测车辆识别待测车道线图库对应的磨损等级的车道线的评价分数。其中，第一预设系数、第二预设系数和第三预设系数可以基于实际情况进行设置，本发明实施例对此不做具体限定。例如，第一预设系数为60，第二预设系数为3.5，第三预设系数为1.5。通过综合考虑车辆表现得分、磨损等级以及通过车道线识别测试的待测车道线的比例，能够进一步准确地确定被测车辆识别待测车道线图库对应的磨损等级的车道线的评价分数。
可以理解的是，本发明实施例提供的车道线识别测试方法不仅可以在真实的封闭场地内进行真实的车道线识别测试，也可以在虚拟仿真的封闭场地内进行仿真的车道线识别测试，其中涉及的被测车辆、车道线绘制设备、车道线擦除设备以及不同磨损等级的待测车道线均可以通过虚拟仿真得到。
在一实施例中，获取预存的信噪比和峰值信噪比中的至少一项与磨损等级之间的映射关系；根据信噪比和峰值信噪比中的至少一项与磨损等级之间的映射关系，确定车道线的每个磨损等级所对应的信噪比和峰值信噪比中的至少一项；根据车道线的每个磨损等级所对应的信噪比和峰值信噪比中的至少一项，生成每个磨损等级各自对应的多个仿真车道线；在对任一磨损等级的车道线进行仿真识别测试时，在仿真车道上生成对应磨损等级的多个仿真车道线，调用待测的车道线识别模型对每个仿真车道线进行识别，得到该车道线识别模型识别对应磨损等级的车道线的测试结果。
请参阅图7，图7是本发明实施例提供的一种控制设备的结构示意性框图。
如图7所示，控制设备100包括处理器101、存储器102和通信模块103，处理器101、存储器102和通信模块103通过总线104连接，该总线比如为I2C(Inter-integratedCircuit)总线。
具体地，处理器101用于提供计算和控制能力，支撑整个控制设备的运行。处理器101可以是中央处理单元(Central Processing Unit，CPU)，该处理器101还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
具体地，存储器102可以是Flash芯片、只读存储器(ROM，Read-Only Memory)磁盘、光盘、U盘或移动硬盘等。通信模块103用于与外部设备通信。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本发明实施例方案相关的部分结构的框图，并不构成对本发明实施例方案所应用于其上的控制设备的限定，具体的控制设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
其中，所述处理器101用于运行存储在存储器102中的计算机程序，并在执行所述计算机程序时实现本发明实施例提供的任意一种所述的车道线识别测试方法。
在一实施例中，所述处理器101用于运行存储在存储器102中的计算机程序，并在执行所述计算机程序时实现以下步骤：
每次从多个车道线图库中选择磨损等级不同的车道线图库作为待测车道线图库，直至每个所述车道线图库均被选择一次；
从所述待测车道线图库中获取待测车道线数量的车道线图像，控制自移动的车道线绘制设备在预置车道上绘制每个所述车道线图像对应的待测车道线；
控制被测车辆在所述预置车道上进行车道线识别测试，并获取所述被测车辆返回的所述待测车道线图库对应的车道线识别测试结果；
控制自移动的车道线擦除设备对所述预置车道上的车道线进行擦除；
返回执行每次从多个车道线图库中选择磨损等级不同的车道线图库作为待测车道线图库的步骤。
在一实施例中，所述处理器在实现每次从多个车道线图库中选择磨损等级不同的车道线图库作为待测车道线图库之前，还用于实现：
获取初始车道线图像库，并确定所述初始车道线图像库中的每个车道线图像所包含车道线的磨损等级；
将所述初始车道线图像库中所述磨损等级相同的车道线所对应的车道线图像划分为一个车道线图库，得到多个车道线图库。
在一实施例中，所述处理器在实现确定所述初始车道线图像库中的每个车道线图像所包含车道线的磨损等级时，用于实现：
确定所述初始车道线图像库中的每个车道线图像所包含车道线的连续度和/或完整度；
根据所述连续度和/或所述完整度，确定所述初始车道线图像库中的每个车道线图像所包含车道线的磨损等级。
在一实施例中，所述处理器在实现确定所述初始车道线图像库中的每个车道线图像所包含车道线的磨损等级时，用于实现：
运行预设的磨损等级确定模型，对所述初始车道线图像库中的每个车道线图像进行处理，得到所述初始车道线图像库中的每个车道线图像所包含车道线的磨损等级；
其中，所述磨损等级确定模型是根据多个标注有磨损等级的训练样本图像和测试样本图像对神经网络模型进行训练得到的。
在一实施例中，所述处理器在实现确定所述初始车道线图像库中的每个车道线图像所包含车道线的磨损等级时，用于实现：
运行预设的车道线检测网络对所述初始车道线图像库中的每个车道线图像进行处理，得到每个所述车道线图像的车道线识别结果；
根据每个所述车道线图像的车道线识别结果，确定所述车道线检测网络识别每个所述车道线图像所包含车道线的F1分数；
根据每个所述车道线图像所包含车道线的F1分数，确定每个所述车道线图像所包含车道线的磨损等级。
在一实施例中，所述处理器在实现控制自移动的车道线绘制设备在预置车道上绘制每个所述车道线图像对应的待测车道线时，用于实现：
获取预置车道的第一位置信息和车道线绘制设备的第二位置信息；
根据所述第一位置信息、所述第二位置信息和所述待测车道线数量的车道线图像，规划车道线绘制设备在所述预置车道上的绘制作业路线，所述绘制作业路线包括每个所述车道线图像各自对应的绘制作业点；
向所述车道线绘制设备发送所述绘制作业路线，以使所述车道线绘制设备按照所述绘制作业路线在预置车道上绘制多个待测车道线。
在一实施例中，所述处理器在实现根据所述第一位置信息、所述第二位置信息和所述待测车道线数量的车道线图像，规划车道线绘制设备在所述预置车道上的绘制作业路线时，用于实现：
根据所述第一位置信息，确定所述预置车道上的待测车道线数量的绘制作业点以及每个所述绘制作业点的位置信息；
根据每个所述绘制作业点的位置信息和所述第二位置信息，规划车道线绘制设备在所述预置车道上的移动路线；
给所述移动路线上的每个所述绘制作业点分配一个所述车道线图像，得到绘制作业路线。
在一实施例中，所述处理器在实现根据所述第一位置信息、所述第二位置信息和所述待测车道线数量的车道线图像，规划车道线绘制设备在所述预置车道上的绘制作业路线时，用于实现：
在车道线绘制设备为多个的情况下，根据所述第一位置信息，确定所述预置车道上的待测车道线数量的绘制作业点以及每个所述绘制作业点的位置信息；
根据每个所述绘制作业点的位置信息和多个所述第二位置信息，规划多条移动路线，一个所述车道线绘制设备对应一条所述移动路线；
给每条所述移动路线上的每个所述绘制作业点分配一个车道线图像，得到多条绘制作业路线。
在一实施例中，所述处理器在实现获取所述被测车辆返回的所述待测车道线图库对应的车道线识别测试结果之后，还用于实现：
根据所述车道线识别测试结果，确定通过车道线识别测试的所述待测车道线的数量，记为目标数量；
根据所述待测车道线数量和所述目标数量，确定所述被测车辆识别所述待测车道线图库对应的磨损等级的车道线的评价分数。
在一实施例中，所述处理器在实现根据所述待测车道线数量和所述目标数量，确定所述被测车辆识别所述待测车道线图库对应的磨损等级的车道线的评价分数时，用于实现：
用所述目标数量除以所述待测车道线数量，得到通过车道线识别测试的待测车道线的目标比例；
根据所述目标比例，确定所述被测车辆识别所述待测车道线图库对应的磨损等级的车道线的评价分数。
在一实施例中，所述处理器在实现根据所述目标比例，确定所述被测车辆识别所述待测车道线图库对应的磨损等级的车道线的评价分数时，用于实现：
对所述目标比例和第一预设系数进行乘法运算，得到第一运算结果；
对所述待测车道线图库对应的磨损等级和第二预设系数进行乘法运算，得到第二运算结果；
对所述第一运算结果和所述第二运算结果进行求和，得到所述被测车辆识别所述待测车道线图库对应的磨损等级的车道线的评价分数。
在一实施例中，所述处理器在实现根据所述目标比例，确定所述被测车辆识别所述待测车道线图库对应的磨损等级的车道线的评价分数时，用于实现：
获取每条所述待测车道线各自对应的车辆表现得分，所述车辆表现得分是用户对所述被测车辆识别所述待测车道线后的表现进行打分得到的；
根据所述目标比例和所述车辆表现得分，确定所述被测车辆识别所述待测车道线图库对应的磨损等级的车道线的评价分数。
在一实施例中，所述处理器在实现根据所述目标比例和所述车辆表现得分，确定所述被测车辆识别所述待测车道线图库对应的磨损等级的车道线的评价分数时，用于实现：
计算每条所述待测车道线各自对应的车辆表现得分的平均值，并将所述平均值作为目标车辆表现得分；
根据所述目标车辆表现得分和所述目标比例，确定所述被测车辆识别所述待测车道线图库对应的磨损等级的车道线的评价分数。
在一实施例中，所述处理器在实现根据所述目标车辆表现得分和所述目标比例，确定所述被测车辆识别所述待测车道线图库对应的磨损等级的车道线的评价分数时，用于实现：
对所述目标比例和第一预设系数进行乘法运算，得到第一运算结果；
对所述待测车道线图库对应的磨损等级和第二预设系数进行乘法运算，得到第二运算结果；
对所述目标车辆表现得分和第三预设系数进行乘法运算，得到第三运算结果；
对所述第一运算结果、第二运算结果和第三运算结果进行求和，得到所述被测车辆识别所述待测车道线图库对应的磨损等级的车道线的评价分数。
在一实施例中，所述处理器在实现控制自移动的车道线擦除设备对所述预置车道上的车道线进行擦除时，用于实现：
获取车道线擦除设备的第三位置信息和所述预置车道上的每个待擦除车道线的第四位置信息；
根据所述第三位置信息和每个所述第四位置信息，规划所述车道线擦除设备的擦除作业路线；
向所述车道线擦除设备发送所述擦除作业路线，以使所述车道线擦除设备根据所述擦除作业路线，对所述预置车道上的车道线进行擦除。
需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的控制设备的具体工作过程，可以参考前述车道线识别测试方法实施例中的对应过程，在此不再赘述。
请参阅图8，图8是本发明实施例提供的一种车道线绘制设备的结构示意性框图。
如图8所示，车道线绘制设备300包括：设备本体301、通信模块302、动力系统303、车道线绘制装置304和控制装置305。其中，通信模块302，设于设备本体301上，用于与如图7所示的控制设备100进行通信；动力系统303，设于设备本体301上，用于为车道线绘制设备300提供移动动力；车道线绘制装置304，设于设备本体301上，用于绘制待测车道线；控制装置305，用于实现以下步骤：获取控制设备100发送的绘制作业路线；根据所述绘制作业路线，控制所述车道线绘制设备使用所述车道线绘制装置在预置车道上绘制多个待测车道线。
需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的车道线绘制设备的具体工作过程，可以参考前述车道线识别测试方法实施例中的对应过程，在此不再赘述。
请参阅图9，图9是本发明实施例提供的一种车道线擦除设备的结构示意性框图。如图9所示，车道线擦除设备400包括：设备本体401、通信模块402、动力系统403、车道线擦除装置404和控制装置405。其中，通信模块402，设于设备本体401上，用于与如图7所示的控制设备100进行通信；动力系统403，设于设备本体401上，用于为可移动设备400提供移动动力；车道线擦除装置404，设于设备本体401上，用于擦除车道线；控制装置405，用于实现以下步骤：获取控制设备100发送的擦除作业路线；根据所述擦除作业路线，控制所述车道线擦除设备使用所述车道线擦除装置对预置车道上的车道线进行擦除。
需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的车道线擦除设备的具体工作过程，可以参考前述车道线识别测试方法实施例中的对应过程，在此不再赘述。
请参阅图10，图10是本发明实施例提供的一种车道线识别测试系统的结构示意性框图。如图10所示，车道线识别测试系统10包括控制设备100、被测车辆200、车道线绘制设备300和车道线擦除设备400。其中，控制设备100分别与被测车辆200、车道线绘制设备300和车道线擦除设备400通信连接。被测车辆200用于在绘制有待测车道线的预置车道上行驶，以进行车道线识别测试。
需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的车道线识别测试系统的具体工作过程，可以参考前述车道线识别测试方法实施例中的对应过程，在此不再赘述。
本发明实施例还提供一种存储介质，用于计算机可读存储，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如本发明实施例说明书提供的任一项车道线识别测试方法。
其中，所述存储介质可以是前述实施例所述的控制设备的内部存储单元，例如所述控制设备的硬盘或内存。所述存储介质也可以是所述控制设备的外部存储设备，例如所述控制设备上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(SecureDigital，SD)卡，闪存卡(Flash Card)等。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施例中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
应当理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。以上所述，仅为本发明的具体实施例，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (20)

1.一种车道线识别测试方法，其特征在于，包括：
每次从多个车道线图库中选择磨损等级不同的车道线图库作为待测车道线图库，直至每个所述车道线图库均被选择一次；
从所述待测车道线图库中获取待测车道线数量的车道线图像，控制自移动的车道线绘制设备在预置车道上绘制每个所述车道线图像对应的待测车道线；
控制被测车辆在所述预置车道上进行车道线识别测试，并获取所述被测车辆返回的所述待测车道线图库对应的车道线识别测试结果；
控制自移动的车道线擦除设备对所述预置车道上的车道线进行擦除；
返回执行每次从多个车道线图库中选择磨损等级不同的车道线图库作为待测车道线图库的步骤。
2.根据权利要求1所述的车道线识别测试方法，其特征在于，所述每次从多个车道线图库中选择磨损等级不同的车道线图库作为待测车道线图库之前，还包括：
获取初始车道线图像库，并确定所述初始车道线图像库中的每个车道线图像所包含车道线的磨损等级；
将所述初始车道线图像库中所述磨损等级相同的车道线所对应的车道线图像划分为一个车道线图库，得到多个车道线图库。
3.根据权利要求2所述的车道线识别测试方法，其特征在于，所述确定所述初始车道线图像库中的每个车道线图像所包含车道线的磨损等级，包括：
确定所述初始车道线图像库中的每个车道线图像所包含车道线的连续度和/或完整度；
根据所述连续度和/或所述完整度，确定所述初始车道线图像库中的每个车道线图像所包含车道线的磨损等级。
4.根据权利要求2所述的车道线识别测试方法，其特征在于，所述确定所述初始车道线图像库中的每个车道线图像所包含车道线的磨损等级，包括：
运行预设的磨损等级确定模型，对所述初始车道线图像库中的每个车道线图像进行处理，得到所述初始车道线图像库中的每个车道线图像所包含车道线的磨损等级；
其中，所述磨损等级确定模型是根据多个标注有磨损等级的训练样本图像和测试样本图像对神经网络模型进行训练得到的。
5.根据权利要求2所述的车道线识别测试方法，其特征在于，所述确定所述初始车道线图像库中的每个车道线图像所包含车道线的磨损等级，包括：
运行预设的车道线检测网络对所述初始车道线图像库中的每个车道线图像进行处理，得到每个所述车道线图像的车道线识别结果；
根据每个所述车道线图像的车道线识别结果，确定所述车道线检测网络识别每个所述车道线图像所包含车道线的F1分数；
根据每个所述车道线图像所包含车道线的F1分数，确定每个所述车道线图像所包含车道线的磨损等级。
6.根据权利要求1-5中任一项所述的车道线识别测试方法，其特征在于，所述控制自移动的车道线绘制设备在预置车道上绘制每个所述车道线图像对应的待测车道线，包括：
获取预置车道的第一位置信息和车道线绘制设备的第二位置信息；
根据所述第一位置信息、所述第二位置信息和所述待测车道线数量的车道线图像，规划车道线绘制设备在所述预置车道上的绘制作业路线，所述绘制作业路线包括每个所述车道线图像各自对应的绘制作业点；
向所述车道线绘制设备发送所述绘制作业路线，以使所述车道线绘制设备按照所述绘制作业路线在预置车道上绘制多个待测车道线。
7.根据权利要求6所述的车道线识别测试方法，其特征在于，所述根据所述第一位置信息、所述第二位置信息和所述待测车道线数量的车道线图像，规划车道线绘制设备在所述预置车道上的绘制作业路线，包括：
根据所述第一位置信息，确定所述预置车道上的待测车道线数量的绘制作业点以及每个所述绘制作业点的位置信息；
根据每个所述绘制作业点的位置信息和所述第二位置信息，规划车道线绘制设备在所述预置车道上的移动路线；
给所述移动路线上的每个所述绘制作业点分配一个所述车道线图像，得到绘制作业路线。
8.根据权利要求6所述的车道线识别测试方法，其特征在于，所述根据所述第一位置信息、所述第二位置信息和所述待测车道线数量的车道线图像，规划车道线绘制设备在所述预置车道上的绘制作业路线，包括：
在车道线绘制设备为多个的情况下，根据所述第一位置信息，确定所述预置车道上的待测车道线数量的绘制作业点以及每个所述绘制作业点的位置信息；
根据每个所述绘制作业点的位置信息和多个所述第二位置信息，规划多条移动路线，一个所述车道线绘制设备对应一条所述移动路线；
给每条所述移动路线上的每个所述绘制作业点分配一个车道线图像，得到多条绘制作业路线。
9.根据权利要求1-5中任一项所述的车道线识别测试方法，其特征在于，所述获取所述被测车辆返回的所述待测车道线图库对应的车道线识别测试结果之后，还包括：
根据所述车道线识别测试结果，确定通过车道线识别测试的所述待测车道线的数量，记为目标数量；
根据所述待测车道线数量和所述目标数量，确定所述被测车辆识别所述待测车道线图库对应的磨损等级的车道线的评价分数。
10.根据权利要求9所述的车道线识别测试方法，其特征在于，所述根据所述待测车道线数量和所述目标数量，确定所述被测车辆识别所述待测车道线图库对应的磨损等级的车道线的评价分数，包括：
用所述目标数量除以所述待测车道线数量，得到通过车道线识别测试的待测车道线的目标比例；
根据所述目标比例，确定所述被测车辆识别所述待测车道线图库对应的磨损等级的车道线的评价分数。
11.根据权利要求10所述的车道线识别测试方法，其特征在于，所述根据所述目标比例，确定所述被测车辆识别所述待测车道线图库对应的磨损等级的车道线的评价分数，包括：
对所述目标比例和第一预设系数进行乘法运算，得到第一运算结果；
对所述待测车道线图库对应的磨损等级和第二预设系数进行乘法运算，得到第二运算结果；
对所述第一运算结果和所述第二运算结果进行求和，得到所述被测车辆识别所述待测车道线图库对应的磨损等级的车道线的评价分数。
12.根据权利要求10所述的车道线识别测试方法，其特征在于，所述根据所述目标比例，确定所述被测车辆识别所述待测车道线图库对应的磨损等级的车道线的评价分数，包括：
获取每条所述待测车道线各自对应的车辆表现得分，所述车辆表现得分是用户对所述被测车辆识别所述待测车道线后的表现进行打分得到的；
根据所述目标比例和所述车辆表现得分，确定所述被测车辆识别所述待测车道线图库对应的磨损等级的车道线的评价分数。
13.根据权利要求12所述的车道线识别测试方法，其特征在于，所述根据所述目标比例和所述车辆表现得分，确定所述被测车辆识别所述待测车道线图库对应的磨损等级的车道线的评价分数，包括：
计算每条所述待测车道线各自对应的车辆表现得分的平均值，并将所述平均值作为目标车辆表现得分；
根据所述目标车辆表现得分和所述目标比例，确定所述被测车辆识别所述待测车道线图库对应的磨损等级的车道线的评价分数。
14.根据权利要求13所述的车道线识别测试方法，其特征在于，所述根据所述目标车辆表现得分和所述目标比例，确定所述被测车辆识别所述待测车道线图库对应的磨损等级的车道线的评价分数，包括：
对所述目标比例和第一预设系数进行乘法运算，得到第一运算结果；
对所述待测车道线图库对应的磨损等级和第二预设系数进行乘法运算，得到第二运算结果；
对所述目标车辆表现得分和第三预设系数进行乘法运算，得到第三运算结果；
对所述第一运算结果、第二运算结果和第三运算结果进行求和，得到所述被测车辆识别所述待测车道线图库对应的磨损等级的车道线的评价分数。
15.根据权利要求1-5中任一项所述的车道线识别测试方法，其特征在于，所述控制自移动的车道线擦除设备对所述预置车道上的车道线进行擦除，包括：
获取车道线擦除设备的第三位置信息和所述预置车道上的每个待擦除车道线的第四位置信息；
根据所述第三位置信息和每个所述第四位置信息，规划所述车道线擦除设备的擦除作业路线；
向所述车道线擦除设备发送所述擦除作业路线，以使所述车道线擦除设备根据所述擦除作业路线，对所述预置车道上的车道线进行擦除。
16.一种控制设备，其特征在于，所述控制设备包括通信模块、处理器、存储器、存储在所述存储器上并可被所述处理器执行的计算机程序以及用于实现所述通信模块、所述处理器和所述存储器之间的连接通信的数据总线，其中所述计算机程序被所述处理器执行时，实现如权利要求1至15中任一项所述的车道线识别测试方法。
17.一种车道线绘制设备，其特征在于，包括：
设备本体；
通信模块，设于所述设备本体上，用于与如权利要求16所述的控制设备进行通信；
动力系统，设于所述设备本体上，用于为车道线绘制设备提供移动动力；
车道线绘制装置，设于所述设备本体上，用于绘制待测车道线；
控制装置，用于实现以下步骤：
获取所述控制设备发送的绘制作业路线；
根据所述绘制作业路线，控制所述车道线绘制设备使用所述车道线绘制装置在预置车道上绘制多个待测车道线。
18.一种车道线擦除设备，其特征在于，包括：
设备本体；
通信模块，设于所述设备本体上，用于与如权利要求16所述的控制设备进行通信；
动力系统，设于所述设备本体上，用于为车道线擦除设备提供移动动力；
车道线擦除装置，设于所述设备本体上，用于擦除车道线；
控制装置，用于实现以下步骤：
获取所述控制设备发送的擦除作业路线；
根据所述擦除作业路线，控制所述车道线擦除设备使用所述车道线擦除装置对预置车道上的车道线进行擦除。
19.一种车道线识别测试系统，其特征在于，所述车道线识别测试系统包括如权利要求16所述的控制设备、如权利要求17所述的车道线绘制设备、如权利要求18所述的车道线擦除设备和被测车辆，所述控制设备分别与所述车道线绘制设备、所述车道线擦除设备和所述被测车辆通信连接，所述被测车辆用于在绘制有待测车道线的预置车道上行驶，以进行车道线识别测试。
20.一种存储介质，用于计算机可读存储，其特征在于，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现权利要求1至15中任一项所述的车道线识别测试方法。
CN202310080633.7A 2023-02-02 2023-02-02 车道线识别测试方法、设备、系统及存储介质 Pending CN116071716A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310080633.7A CN116071716A (zh) 2023-02-02 2023-02-02 车道线识别测试方法、设备、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310080633.7A CN116071716A (zh) 2023-02-02 2023-02-02 车道线识别测试方法、设备、系统及存储介质

Publications (1)

Publication Number Publication Date
CN116071716A true CN116071716A (zh) 2023-05-05

Family

ID=86174620

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310080633.7A Pending CN116071716A (zh) 2023-02-02 2023-02-02 车道线识别测试方法、设备、系统及存储介质

Country Status (1)

Country Link
CN (1) CN116071716A (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103971559A (zh) * 2014-04-12 2014-08-06 北京工业大学 一种模块化交通信息与控制实验平台
CN109931944A (zh) * 2019-04-02 2019-06-25 百度在线网络技术（北京）有限公司 一种ar导航方法、装置、车端设备、服务端及介质
CN112064549A (zh) * 2020-08-18 2020-12-11 天台益嘉环保科技有限公司 一种道牙清洁设备
CN113989779A (zh) * 2021-11-01 2022-01-28 南京大学 一种港口码头辅助障碍物过滤的快速车道线检测方法
CN114092903A (zh) * 2020-08-06 2022-02-25 长沙智能驾驶研究院有限公司 车道线标注、检测模型确定、车道线检测方法及相关设备
CN115063507A (zh) * 2022-06-20 2022-09-16 合众新能源汽车有限公司 绘制虚拟车道线的方法及装置
CN115184260A (zh) * 2022-07-12 2022-10-14 山东高速工程检测有限公司 一种用于路面标线涂料粘附性测试方法
CN217601173U (zh) * 2022-05-20 2022-10-18 张旭 一种城市道路交通用道路标线装置
CN115588131A (zh) * 2022-09-30 2023-01-10 北京瑞莱智慧科技有限公司 模型鲁棒性检测方法、相关装置及存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103971559A (zh) * 2014-04-12 2014-08-06 北京工业大学 一种模块化交通信息与控制实验平台
CN109931944A (zh) * 2019-04-02 2019-06-25 百度在线网络技术（北京）有限公司 一种ar导航方法、装置、车端设备、服务端及介质
CN114092903A (zh) * 2020-08-06 2022-02-25 长沙智能驾驶研究院有限公司 车道线标注、检测模型确定、车道线检测方法及相关设备
CN112064549A (zh) * 2020-08-18 2020-12-11 天台益嘉环保科技有限公司 一种道牙清洁设备
CN113989779A (zh) * 2021-11-01 2022-01-28 南京大学 一种港口码头辅助障碍物过滤的快速车道线检测方法
CN217601173U (zh) * 2022-05-20 2022-10-18 张旭 一种城市道路交通用道路标线装置
CN115063507A (zh) * 2022-06-20 2022-09-16 合众新能源汽车有限公司 绘制虚拟车道线的方法及装置
CN115184260A (zh) * 2022-07-12 2022-10-14 山东高速工程检测有限公司 一种用于路面标线涂料粘附性测试方法
CN115588131A (zh) * 2022-09-30 2023-01-10 北京瑞莱智慧科技有限公司 模型鲁棒性检测方法、相关装置及存储介质

Similar Documents

Publication Publication Date Title
CN111457929B (zh) 一种基于地理信息系统的物流车辆自主路径规划与导航方法
US20200209874A1 (en) Combined virtual and real environment for autonomous vehicle planning and control testing
CN101334287B (zh) 本车位置识别装置和本车位置识别方法
CN108873904B (zh) 矿用车辆无人驾驶停靠方法、设备及可读存储介质
US20150321665A1 (en) Method and apparatus for predicting most probable path of vehicle travel and vehicle control loss preview
JP5941091B2 (ja) 車線ベースの位置特定
JP6774153B2 (ja) 不正検査を行うシステムおよび方法
US10156847B2 (en) Autonomous moving device
CN103781685A (zh) 车辆用自主行驶控制系统
US11703344B2 (en) Landmark location estimation apparatus and method, and computer-readable recording medium storing computer program programmed to perform method
CN106463050B (zh) 用于处理车辆的测量数据以用于确定开始寻找停车位的方法
CN108885113A (zh) 用于借助地标确定周围环境中的至少部分自动化行驶的车辆的姿态的方法
CN111311957A (zh) 一种基于rfid和无人机的停车引导系统及工作方法
CN104724121B (zh) 用于识别车辆的行驶领域的装置和方法
CN113424240B (zh) 行驶道路识别装置
CN111723724A (zh) 一种路面障碍物识别方法和相关装置
CN109285381A (zh) 用于探测停车场内的空闲区域的方法和系统
CN111209353B (zh) 一种视觉定位地图加载方法、装置、系统和存储介质
JP2016218737A (ja) 先行車両推定装置及びプログラム
CN116071716A (zh) 车道线识别测试方法、设备、系统及存储介质
CN112689234A (zh) 室内车辆定位方法、装置、计算机设备和存储介质
CN116206286A (zh) 高速路况下的障碍物检测方法、装置、设备和介质
CN107092253B (zh) 用于控制无人车的方法、装置及服务器
CN114510037A (zh) 一种基于无人驾驶的路况智能分析方法及系统
CN115667849A (zh) 用于求取车辆的起始位姿的方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination